AI药物发现综述：覆盖靶点到临床试验全链条

时间：2026年11月11日 地点：美国（Scienmag 与 Bioengineer.org 同日刊发综述解读）；论文发表于《Future Journal of Pharmaceutical Sciences》 人物：Krushna A. Chaudhari；Kedar S. Mathpati；Ashish R. Alte 事件详情：Scienmag 与 Bioengineer.org 于11月11日刊发解读文章，介绍一篇系统综述，系统梳理人工智能与机器学习在药物发现与开发全流程中的实际作用。论文题为《Artificial intelligence and machine learning in drug discovery and development: a comprehensive review》，作者为 Krushna A. Chaudhari、Kedar S. Mathpati 与 Ashish R. Alte，发表于 Springer 旗下《Future Journal of Pharmaceutical Sciences》第12卷第1期第70篇，DOI 为 10.1186/s43094-026-00997-6，Crossref 记录的出版日期为2026年6月26日。 综述给出的产业图景是：传统药物研发通常耗时10到15年、成本以数十亿美元计，且各阶段失败风险高，AI正在把这套流程从试错式研发推向可预测的数据驱动范式。 具体应用被逐环节拆开：靶点识别与先导化合物发现（预测疾病相关蛋白与通路、生成并优选化合物）、ADME/T预测（吸收、分布、代谢、排泄与毒性）以提前预判药代与安全信号，以及临床试验阶段的患者入组优化与监测试图。列举的工具包括化学信息学框架 DeepChem、蛋白结构预测工具 AlphaFold、聚焦毒性预测的 DeepTox 和多药理学评估的 Ligand Express，以及 AI 纳米机器人精准给药、组合疗法协同效应预测等方向。 几组可核对的量化结论也写在文中：临床试验阶段通常耗时六到七年，只有约10%进入临床的分子最终获得监管批准；患者选择不当约造成86%的临床失败，试验参与者脱落造成近30%的失败，AiCure 移动应用在二期精神分裂症试验中把服药依从性提高了25%；2012年默沙东分子活性挑战赛上，深度学习在15个ADME/T数据集上一致优于传统机器学习模型。 背景：这篇综述试图用系统文献检索，为AI能否真正缩短药物研发周期这一争议给出证据基础：作者在 PubMed、Scopus、Google Scholar、Web of Science 等数据库检索以2018至2026年发表的同行评议研究，聚焦机器学习、靶点识别、毒性预测等主题，并排除了方法论不透明或与制药关联不直接的研究。 技术底座是开源生态：TensorFlow 与 PyTorch 用于构建神经网络，RDKit 与 DeepChem 支撑化学信息学与虚拟筛选，Scikit-learn 负责传统机器学习流水线，模型则用 precision、recall、F1、accuracy 和 AUC-ROC 等指标统一评估。 方法论上的一处硬约束来自规模：理论化学空间超过10的60次方个分子，穷举实验验证不可行，研究者只能借助公开化学库（PubChem、ChemBank、DrugBank 等）与分子指纹、Coulomb矩阵等算法映射化学空间并排序先导化合物。 影响：综述给出的判断是，AI 正在从辅助筛选工具变成现代药物研发的中央引擎，但这需要几道门槛同时跨过。文中点名的现实障碍包括：高质量数据集获取成本高且难以验证、熟练人才短缺、小机构预算有限，以及模型黑箱带来的可解释性缺口与监管阻力。 可解释人工智能（XAI）被点名为下一阶段的关键方向；把基因组学、蛋白质组学等多组学数据并入模型，则被认为是个性化药物发现和降低临床试验失败率的关键路径。 产业侧，综述引用的数据是：2013至2018年间该领域投资额超过72亿美元、行业交易超过300笔。 总结：这篇综述的价值更像是给AI制药画一张地图——哪些环节已被证明有效（靶点识别、先导优化、ADME/T预测、临床试验入组），哪些还停留在概念验证（个性化用药、可解释性），文中都给了对应的方法与指标。 它同时把话说得很直白：数据可获得性、人才、预算和模型黑箱这四道坎不过关，AI制药就很难真正缩短周期并通过监管。 对国内从业者来说，一个副产品是一份可对照的工具清单（DeepChem、AlphaFold、RDKit、Scikit-learn、DeepTox、Ligand Express），以及一组关于临床试验真实失败率的数字——后者往往比AI能缩短多少年的乐观估算更有用。 对关注 AI for Science 的读者来说，它的另一个信号是：可解释人工智能和多组学数据，正在成为下一阶段的竞争焦点。 常见问题： 问：AI药物发现有前景吗？ 答：综述认为AI正从辅助筛选工具变成现代药物研发的中央引擎，但高质量数据、算力、可解释性和监管这四道门槛仍需跨越。 问：AI能提高临床试验成功率吗？ 答：不能直接提高，作用在降低失败率。综述指出只有约10%进入临床的分子最终获批，AI主要靠优化患者入组与监测来减少流失。 参考来源： Scienmag：Review Maps AI's Role in Modern Drug Discovery https://scienmag.com/review-maps-ais-role-in-modern-drug-discovery/ Bioengineer.org：Review Maps AI's Role in Modern Drug Discovery https://bioengineer.org/review-maps-ais-role-in-modern-drug-discovery/ 论文原文：Artificial intelligence and machine learning in drug discovery and development: a comprehensive review（Future Journal of Pharmaceutical Sciences） https://link.springer.com/article/10.1186/s43094-026-00997-6 Crossref DOI 元数据记录（10.1186/s43094-026-00997-6） https://api.crossref.org/works/10.1186/s43094-026-00997-6 ORCID 作者记录：Krushna A. Chaudhari https://orcid.org/0009-0007-1575-4365 维普资讯期刊索引：《Future Journal of Pharmaceutical Sciences》2026年第12卷第1期 https://www.cqvip.com/authorservice/00854JP1MNBO9J9WMHC84JP1MPDO8?type=1